D’ordinaire, les algorithmes d’apprentissage automatique nécessitent de grandes masses de données pour s’entraîner. Par exemple avant de reconnaître une voiture, il leur faudra en voir des milliers. Une étape consommatrice de puissance de calcul et difficile à réaliser quand les données manquent.
Mais des scientifiques de l’université de Waterloo, dans l’Ontario (Canada), veulent changer la donne et permettre à l’intelligence artificielle de reconnaître plus d’objets que le nombre d’exemples sur lesquels elle s’est entraînée, rapporte le MIT Technology Review. Pour cela, les chercheurs ont peaufiné un "étiquetage souple", c’est-à-dire pondéré statistiquement pour attribuer à une seule donnée plusieurs objets, en proportions variables.
Une technique prouvée mathématiquement à partir d’un algorithme simple et transparent, qui a pu distinguer davantage de catégories qu’il n’avait de données. Mais le travail d’étiquetage initial reste complexe et fastidieux. Sans compter qu’il ne convient pas, pour l’instant, à l’entraînement d’algorithmes plus élaborés et plus opaques.
